在企业环境中成功部署人工智能,直接取决于公司从员工身上提取并形式化隐性知识的能力。这些隐性知识指的是那些经过多年积累、却很少被记录在文档或操作指南中的实践技能、直觉决策和专家判断。这一概念根植于迈克尔·波兰尼的哲学("我们知道的比我们能表达的更多"),如今正成为企业人工智能竞赛中的核心议题。
为什么通用模型在特定任务中表现不佳
通用语言模型在拥有公开数据和明确标准的领域表现出色。然而,当涉及公司内部环境、特定业务流程和主观专家评估时,仅凭书面指令是不够的。这让人联想到20世纪初弗雷德里克·泰勒试图系统化工厂工人经验的做法——过程既费力又未必有效。
桥水基金案例:专业知识作为人工智能的燃料
一个鲜明的例子是桥水基金AIA实验室与Thinking Machines Lab最近的研究。团队在六项真实金融任务中测试了领先模型(Claude Opus、Gemini、GPT)。使用简单指令时,准确率在45.6%到50.1%之间波动。然而,当桥水基金的专家准备了反映其自身判断的专业提示词后,准确率飙升至74.3%至78.2%。自动优化指令并未带来额外提升——人为因素被证明是关键。
高潮在于对Qwen3-235B模型进行微调,使用了桥水基金分析师标注的数据。结果:平均准确率达到84.7%,相比最佳通用模型,错误率降低了29.8%。同时,任务处理成本下降了13.8倍。这种被称为"差异化智能"的方法,旨在让人工智能适应特定组织的独特流程。
福特:拯救正在流失的专业知识
与此同时,福特展示了问题的另一个方面。三年内,这家汽车制造商雇佣、晋升或返聘了约350名经验丰富的技术专家。他们的任务不仅仅是工作,而是传授知识:检查设计、发现隐藏缺陷、培训年轻工程师以及参与自动化质量控制系统的调试。福特副总裁查尔斯·彭明确表示:"人工智能的好坏,完全取决于用于训练它的信息质量。"公司承认,此前并未系统性地保存即将退休老员工的知识,现在不得不弥补这一缺失。
我的分析
市场开始意识到一个基本真理:人工智能不会取代专家,但如果学会从他们身上"提取"知识,人工智能将成为他们的理想助手。未来企业的关键资产,与其说是算法,不如说是系统化和数字化核心员工独特经验的能力。能够解决这一问题的公司将获得巨大的竞争优势。而那些继续仅依赖"原始"数据和通用模型的公司,则可能落后于人。